به جمع مشترکان مگیران بپیوندید!

تنها با پرداخت 70 هزارتومان حق اشتراک سالانه به متن مقالات دسترسی داشته باشید و 100 مقاله را بدون هزینه دیگری دریافت کنید.

برای پرداخت حق اشتراک اگر عضو هستید وارد شوید در غیر این صورت حساب کاربری جدید ایجاد کنید

عضویت
جستجوی مقالات مرتبط با کلیدواژه

particle swarm optimization algorithm

در نشریات گروه مدیریت
تکرار جستجوی کلیدواژه particle swarm optimization algorithm در نشریات گروه علوم انسانی
تکرار جستجوی کلیدواژه particle swarm optimization algorithm در مقالات مجلات علمی
  • Sayed MohammadEbrahim Mirmohammadi *, Mehdi Madanchi Zaj, Hossein Panahian, Hossein Jabbary

    Risk parity is perceived as one of the stock portfolio selection models that have received a lot of attention since the US financial crisis in 2008. The philosophy of this model is to allocate the same amount of portfolio risk between the constituent assets. In the present study, the combined portfolio selection model of relative robust risk parity is introduced, which uses the worst-case scenario approach on the covariance matrix parameter appearing in the robust risk model in portfolio robustness. According to historical data, several scenarios are considered for the covariance matrix. The objective function value of the hybrid model for each portfolio (feasible point) is the worst result (with most volatility) among the set of scenarios.  Finally, the model selects a portfolio for which the worst possible result has the least relative volatility. The research portfolio consists of 8 industries from Tehran Stock Exchange in the period 2011 to 2020. This portfolio has a higher Sharpe ratio than conventional models of mean-variance and weight parity, and is more resilient to market declines than the two models and produces less loss. Therefore, risk-averse investors are advised to use this stock portfolio selection model as a cover to face severe market declines.

    Keywords: Risk parity portfolio, Relative robustness, Sharpe ratio, Particle Swarm Optimization Algorithm
  • فاطمه سروندی، عالیه کاظمی *
    مسئله زمان بندی پروژه با محدودیت منابع یکی از مسائل بسیار معروف و مطرح در زمینه تحقیق در عملیات و مدیریت پروژه است. در پژوهش حاضر، این مسئله با در نظر گرفتن اهداف مهمی شامل کمینه کردن زمان اتمام پروژه و همچنین کمینه کردن حداکثر هزینه انجام پروژه در یک روز مدل سازی شده است. در این راستا، تمامی روابط پیش نیازی ممکن بین فعالیت های یک پروژه موردتوجه قرار گرفته است. مدل پیشنهادی برای سه پروژه واقعی در اندازه های متفاوت و با استفاده از الگوریتم های فراابتکاری شامل الگوریتم ژنتیک، بهینه سازی ازدحام ذرات و تکامل تفاضلی اجرا شده است. نتایج حاصل از اجرای مدل نشان می دهد که الگوریتم تکامل تفاضلی برای پروژه های با مقیاس بزرگ و الگوریتم ازدحام ذرات برای پروژه های با مقیاس متوسط، از کارایی مطلوبی در مقایسه با الگوریتم ژنتیک برخوردار است. استفاده از الگوریتم های فراابتکاری برای حل پروژه های با مقیاس کوچک توصیه نمی شود.
    کلید واژگان: زمانبندی پروژه، محدودیت منابع، الگوریتم ژنتیک، الگوریتم بهینه سازی ازدحام ذرات، الگوریتم تکامل تفاضلی
    Fatemeh Sarvandi, Aliyeh Kazemi*
    One of the popular problems in operations research and project management is resource-constrained project scheduling problem. In the present study, this problem is modeled considering important goals consisted of minimization of the project completion time, as well as minimization of the maximum cost of the project in one day. In this regard, all the possible prerequisite relations between the activities of a project are considered. The proposed model has been implemented for three real projects in different sizes and by using metaheuristic algorithms including genetic algorithm, particle swarm optimization and differential evolution. The results showed that differential evolution and particle swarm optimization algorithms have efficient performances compared to the genetic algorithms for large- and medium-scale projects respectively. The use of metaheuristic algorithms for solving small-scale projects is not recommended.
    Keywords: Project scheduling, resources constraint, genetic algorithm, particle swarm optimization algorithm, differential evolution
  • پرویز فتاحی *، حسن باقری، سمانه بابایی مراد
    در این پژوهش مدلی برای مکان یابی ایستگاه های آتش نشانی و تخصیص ماشین های خدماتی به ایستگاه ها در دوره های مختلف و در مواقع اضطراری ارائه می شود. این مدل با در نظر گرفتن متغیر بودن مقدار تقاضاها و شعاع پوشش تسهیلات (با توجه به شرایط ترافیک و نوع منطقه) در دوره های مختلف، مدل سازی شده است. با توجه به واقعیت، مقدار تقاضای برآورده شده برای هر نقطه تقاضا در مدل ارائه شده، وابسته به تعداد دفعات پوشش نقطه توسط تسهیلات و مقدار تقاضای نقطه تقاضاست. در این مدل، جایگاه ایستگاه ها در دوره های مختلف یک بار مکان یابی می شود. تعداد ماشین های خدماتی تخصیص داده شده به ایستگاه های مکان یابی شده به صورت متغیر و دوره ای است و می توانند در دوره های مختلف جابجا شوند. در مدل ارائه شده هر نقطه ی تقاضای راهبردی انبارهای مهمات و انبارهای مواد غذایی و غیره) می تواند به عنوان نقطه ی بالقوه ای برای استقرار ماشین خدماتی عمل کند. این مدل، مدلی پیچیده است که برای حل آن الگوریتم فرا ابتکاری توده ی ذرات1 با ماتریس جواب اولیه تلفیقی پیشنهاد شده است. در الگوریتم ارائه شده، شیوه جواب اولیه به گونه ای است که ماتریس مکان یابی و تخصیص اولیه و نهایی در یک ماتریس بیان شده است. نتایج الگوریتم پیشنهادی با نتایج الگوریتم مصنوعی زنبوران2مقایسه شده که هم ازلحاظ کیفیت جواب ها و هم زمان حل نسبت به آن برتری دارد.
    کلید واژگان: مکان یابی پوششی دوره ای، مکان یابی ایستگاه های آتش نشانی، مواقع بحرانی، مکان یابی-تخصیص، الگوریتم مصنوعی زنبوران (ABC)، الگوریتم توده ی ذرات (PSO)
    Parviz Fattahi *, Hassan Bagheri, Samaneh Babaeimorad
    In this study, a model is presented for fire station’s locating and facilities allocating to stations in different periods and emergency situations. This model is designed, considering amount of demands and facilities coverage radius, being dynamic (based on traffic and type of region) in different periods. According to fact, in the presented model, amount of demand for each demand point depends on number of coverage by facilities and amount of demand of demand point .in this model , location of stations is determined once in different periods. The numbers of facilities which are allocated to stations are allocated dynamically and can be relocated in different periods. In the model, each strategic demand point (arsenal, food storage and so on) can be potential point for facilities. This is a complicated model so to solve this model, particle swarm optimization algorithm and combinatorial matrix have been suggested. In the suggested algorithm, method of making matrix is such that locating matrix and early and final allocation are presented in a single matrix. Finally the results of proposed algorithm with artificial bee colony were compared the results show that this algorithm is better in terms of quality of answers and solving time.
    Keywords: Multi Period Covering location, Fire station location, critical situation, location-allocation, Artificial Bee Colony algorithm, particle swarm optimization algorithm
  • محمدحسین نبی زاده بهنمیری *، حسینعلی حسن پور، روزبه عزیزمحمدی، نوید هشترودی
    انجام فعالیت های پروژه مطابق برنامه زمان بندی یکی از مسائل مورد توجه دست اندرکاران پروژه ها به ویژه مدیران پروژه ها می باشد. همچنین ماهیت بسیار دشوار این مسئله، علت دیگری برای توجه زیاد محققین به آن می باشد. بنابراین تکنیک ها و روش های خاصی برای حل این مسائل مطرح شده اند. از اینرو توجه بیشتر به پایداری زمانبندی پروژه برای مدیران پروژه موضوعیت دارد. در این مقاله برای یک مسئله واقعی زمانبندی پروژه پالایشگاهی ابتدا مدل زمانبندی پایدار ارائه شده و به دلیل اینکه زمانبندی پروژه با محدودیت منابع از جمله مسائل NP-Hard است، الگوریتم فرا ابتکاری بهینه سازی انبوه ذرات برای حل این مسئله پیشنهاد شده است. به منظور اعتبارسنجی مدل نیز 4 مسئله با ابعاد کوچک انتخاب و جواب های به دست آمده از الگوریتم های پیشنهادی با جواب دقیق به دست آمده حاصل از نرم افزار Lingo مقایسه گردیده است. نتایج به دست آمده نشان می دهد الگوریتم پیشنهادی کارا و همگرا به جواب بهینه می باشند.
    کلید واژگان: زمانبدی پروژه، پایداری، انعطاف پذیری، الگوریتم بهینه سازی انبوه ذرات
    Mohammadhusein Nabizadeh*, Huseinali Hasanpoor, Roozbeh Azizmohammadi, Navid Hashtroodi
    One of the issues considered by the projects responsible especially project managers is the execution of project activities according to time schedule. The very difficult nature of that issue is also another reason for the researchers to take much note of it. Therefore, there are especial techniques and methods to solve those issues. Also, project managers pay much attention to the stability of the time schedule as it is important for them. This paper is provided with a real project time schedule for a refinery by using stable time schedule. Particle swarm optimization algorithm is suggested to resolve the problem since the project time schedule has resources limitation including NP- Hard. In order to accesses the validation of the model, 4 issues with small scales has been selected and the results from the suggested algorithm was compared with the accurate result obtained from lingo software. These results indicate that the suggested algorithm is effective and convergent with the optimized result.
    Keywords: Project Scheduling, Robustness, Flexibility, Particle swarm optimization algorithm
  • فرزانه رجایی ابیانه، سعیده غلامی *
    در این مقاله، یک مدل ریاضی مبتنی بر برنامه ریزی عدد صحیح آمیخته برای مساله زمان‍بندی جریان کارگاهی انعطاف پذیر با ماشین های موازی نا‍مرتبط و زمان‍های راه‍اندازی وابسته به توالی با هدف کمینه‍سازی مجموع زودکرد و دیرکرد، ارائه شده است. به علت پیچیدگی این مساله، برای حل مسائل با ابعاد بزرگ، از الگوریتم های فراابتکاری استفاده شده است؛ در این پژوهش یک الگوریتم مبتنی بر شبیه سازی تبرید و الگوریتم دیگری مبتنی بر بهینه سازی ذرات ارائه شده است، و برای تنظیم پارامترهای الگوریتم های پیشنهادی از روش طراحی آزمایش های تاگوچی استفاده شده است. برای تحلیل عملکرد الگوریتم های حل، چهل ویک مساله نمونه با ابعاد مختلف طراحی، و هرکدام ده مرتبه اجرا شده است. با توجه به تحلیل نتایج آزمایش های محاسباتی زمان حل الگوریتم مبتنی بر بهینه سازی ذرات کمتر بوده است، ولی کیفیت جواب حاصل از الگوریتم مبتنی بر شبیه سازی تبرید بهتر از الگوریتم مبتنی بر بهینه سازی ذرات بوده است؛ به طور متوسط میزان درصد انحراف نسبی، نتایج آزمایش های محاسباتی الگوریتم مبتنی بر بهینه سازی ذرات 4.4 درصد، و الگوریتم مبتنی بر شبیه سازی 2.3 درصد بوده است.
    کلید واژگان: الگوریتم بهینه سازی انبوه ذرات، الگوریتم شبیه سازی تبرید، دیرکرد، زمان بندی جریان کارگاهی انعطاف پذیر، زمانهای راهاندازی وابسته به توالی، زودکرد
    Farzaneh Rajaee Abyaneh, Saiedeh Gholami*
    In this paper, a mixed integer programming formulation for flexible flow shop scheduling problem with unrelated machines and sequence dependent setup times is proposed in order to minimize sum of earliness and tardiness. Due to the fact that this problem is NP-Hard, a SA-based heuristic as well as a PSO-based heuristic are proposed to tackle the complexity of the problem. Later, the parameters of these algorithms are set by Taguchi method and then, these meta-heuristic algorithms are compared with each other by 410 test problems. At the end, a number of topics are proposed for future research.
    Keywords: flexible flow shop scheduling problem, sequence dependent setup time, earliness, tardiness, simulated annealing algorithm, particle swarm optimization algorithm
  • Hesam Nazari, Aliyeh Kazemi, Mohammad, Hossein Hashemi
    This study focuses on the forecasting of energy demands of residential and commercial sectors using linear and exponential functions. The coefficients were obtained from genetic and particle swarm optimization (PSO) algorithms. Totally, 72 different scenarios with various inputs were investigated. Consumption data in respect of residential and commercial sectors in Iran were collected from the annual reports of the central bank, Ministry of Energy and the Petroleum Ministry of Iran (2010). The data from 1967 to 2010 were considered for the case of this study. The available data were used partly to obtain the optimal, or near optimal values of the coefficient parameters (1967–2006) and for testing the models (2007–2010). Results show that the PSO energy demand estimation exponential model with inputs, including value addition of all economic sectors, value of constructed buildings, population, and price indices of electrical and fuel appliances using the mean absolute percentage error on tests data were 1.97%, was considered the most suitable model. Finally, basing on the best scenario, the energy demand of residential and commercial sectors is estimated at 1718 mega barrels of oil equivalent up to the year 2032.
    Keywords: Energy demand, Forecasting, genetic algorithm, Particle swarm optimization algorithm, Residential, commercial sectors
  • علی محتشمی، علی فلاحیان نجف آبادی
    دردنیای رقابتی امروز، سازمان ها با بهره گیری از علوم مدیریت، اقدام به ایجاد مزایای رقابتی می کنند. یکی از مهمترین علوم مدیریتی که در این زمینه مباحث بسیار سودمندی را مطرح کرده است، مدیریت زنجیره تامین می باشد. مدیریت زنجیره تامین نتیجه تکاملی مدیریت انبارداری است و به عنوان یکی از مبانی زیرساختی و مهم پیاده سازی کسب و کار است که در بسیاری از آنها تلاش اساسی برای کوتاه کردن زمان بین سفارش مشتری تا تحویل واقعی کالا می باشد. بارانداز تقاطعی[1] یکی از مهمترین گزینه ها برای کاهش زمان در زنجیره تامین می باشد. هدف اصلی در این مقاله تمرکز بر بهینه سازی برنامه ریزی کامیون های ورودی و خروجی با هدف به حداقل رساندن مدل تک هدفه زمان کل عملیات داخل زنجیره تامین می باشد. زمان بندی حمل و نقل در این مقاله، زمان بین مبداها و مقصدها، زمان تخلیه و بارگیری و جابجایی محصولات را کمینه سازی می نماید. از آن جا که این مدل مقاله از نوع صفر و یک بوده و متعلق به کلاس NP-hard است زمان حل آن ها با افزایش ابعاد مساله به شدت افزایش می یابد. بنابراین برای پیدا کردن جواب های نزدیک بهینه مساله از الگوریتم های ژنتیک [2] و بهینه سازی گروه ذرات[3] استفاده شده است. سپس این الگوریتم ها با معیارهایی همچون زمان اجرا و کیفیت جواب ها با یکدیگر مقایسه شده و الگوریتم برتر در هر معیار مشخص گردید.
    کلید واژگان: مدیریت زنجیره تامین، بارانداز تقاطعی، الگوریتم ژنتیک، الگوریتم بهینه سازی گروه ذرات
    Ali Mohtashami, Ali Fallahian, Najafabadi
    In today’s competitive world, the organizations decide to establish competitive benefits by making benefit from management sciences. One of the most important management sciences arisen lots of so useful matters is the supply chain. The supply chain management is the evolved result of warehousing management and is regarded as one of the infrastructure and important concepts for implementing the career so that in many of them it is essentially tried to shorten the time between the customer’s order and the real time of delivering the goods. Cross docking is one of the most important alternatives for lowering the time in supply chain. The central aim of this paper is to focus on optimizing the planning of the trucks input and output aiming to minimize total time of operation inside the supply chain in designed model. Timing the transportation in this paper makes the time between sources and destinations, time of unloading and transferring the products minimized. To find the optimum answers to the question, genetic algorithms and the particle swarm optimization have been used. Then, these algorithms have been compared with the standards such as the implementation time and quality of answers with each other and then better algorithms in each standard identified.
    Keywords: supply chain management, cross docking, genetic algorithm, particle swarm optimization algorithm
نکته
  • نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
  • کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
  • در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
درخواست پشتیبانی - گزارش اشکال